Aktuelle Forschungsprojekte

Image Entwicklung eines kryogenen magnetbasierten Luftzerlegers
Image Tieftemperatur-Materialprüfkammer
Image Selbstoptimierendes Raumluftmanagementsystem
Image Innovatives Tieftemperaturkühlsystem zur Rekondensation / Verflüssigung von technischen Gasen bis 77 K
Image Apparatur und Verfahren zur Degradationsprüfung
Image Wärmeübergang in Ferro-Nanofluiden unter Magnetfeldeinfluss
Image Wasser-Luft-Kühler-Kit für Helium Kompressoren in der Kryotechnik
Image Klimatechnik-Betriebsoptimierung mittels maschinellem Lernen
Image Seminar Evakuieren und Trocknen von Kälteanlagen
Image Verhalten mehrphasiger kryogener Fluide
Image Phasenauflösende numerische Simulation von Suspensionen
Image Cl.Ai.Co - Clever Air Components
Image Strömungssimulation CFD
Image Elektrische Komponenten in Kältekreisläufen
Image Prüfverfahren zur dynamischen Alterung von Werkstoffen
Image Pulse-Tube Kryokühler

Sie befinden sich hier:   /  Startseite


Ressourcenoptimierung und Beschleunigung von Strömungssimulationen mittels künstlicher Intelligenz

03/2023 - 08/2025

Dipl.-Ing. (BA) Heiko Frank

+49-351-4081-5312

in Bearbeitung

TurboKI

Kurzbeschreibung

Strömungssimulationen sind ein etabliertes Werkzeug bei modernen Entwicklungs- und Optimierungsprozessen von z.B. Turbomaschinen und Wärmeübertragern. Jedoch sind genaue Simulationsergebnisse mit klassischen Methoden in der Regel zeitaufwändig und beanspruchen hohe Rechenkapazitäten. Durch den Einsatz von maschinellem Lernen (ML) und künstlicher Intelligenz (KI) sollen Simulationen beschleunigt werden, ohne dabei signifikant an Genauigkeit zu verlieren. Dies könnte die Rechenzeiten deutlich verkürzen, was zu einer erheblichen Einsparung an Energie führt. Solche Effizienzsteigerungen sind angesichts der zunehmenden Bedeutung von Klimaschutz und der Notwendigkeit, den Energieverbrauch zu senken, von großer gesellschaftlicher Relevanz.

Einsatzbereiche

Ressourcenoptimierung und Beschleunigung klassischer Simulationsmethoden / Simulationssoftware, besonders in KMUs mit begrenzten Rechenkapazitäten.

Zielstellung

Das Ziel des Projektes ist die Weiterentwicklung des institutseigenen CFD-Programms (Strömungslösers) TurboSim. Perspektivisch soll TurboSim als Teil des Optimierungs- und Auslegungsprozesses von z.B. Turbomaschinen oder Wärmeübertragern zum Einsatz kommen. Innerhalb des Auslegungsprozesses ist eine Vielzahl von Strömungssimulationen erforderlich, um wichtige integrale Zielkenngrößen der Optimierung zu ermitteln, wie z.B. der Wirkungsgrad einer Strömungsmaschine. Neben den grundlegenden Anforderungen (wie Genauigkeit, Robustheit und Konvergenz) ist es daher unabdingbar, dass das CFD-Verfahren ressourcenschonend arbeitet. Das vorgeschlagene Projekt beschäftigt sich daher mit der Beschleunigung und Effizienzsteigerung des Strömungslösers TurboSim mittels klassischer Methoden und Methoden des Maschinellen Lernens (ML) bzw. der Künstlichen Intelligenz (KI).

TurboSim-Simulationen mit hoher Gitterauflösung sind aktuell numerisch sehr teuer, liefern aber genaue Resultate. Rechnungen auf groben Gittern sind hingegen sehr schnell und liefern qualitativ gute Ergebnisse, jedoch sind potentielle Abweichungen bei den integralen Zielgrößen der Rechnung zu finden. Die Grundidee besteht nun darin, über eine Vielzahl von hochaufgelösten Simulationen systematische Fehler in Bezug auf die integralen Parameter (z.B. Totaldruckerhöhung, statischer Druckaufbau, Wellenleistung, Wirkungsgrad) bei groben Simulationen zu erkennen und mit Hilfe von ML-/ KI-Methoden zu korrigieren. Im Erfolgsfall würde dadurch die benötigte Rechenzeit drastisch reduziert und der Einsatz von CFD für die geometrische Optimierung von durch- und umströmten Bauteilen ermöglicht.

 


Ihre Anfrage zum Projekt

Weitere Projekte

Image

ZeroHeatPump

Leistungsführung von Klein-Wärmepumpen ohne Energieverbrauch

Image

KLAR

Klassenraumlüftung akustikbasiert regeln